A few days ago, I was chatting with a friend A, a data analyst who, in my opinion, can take charge of a company in most industries. He still modestly calls himself a "data ape". He was engaged in data analysis and became a monk halfway through. Although he knew some database knowledge at first, he still had a hard time like many people. So we simply discussed the scriptures together, talked about work in a "serious" manner, and left some insights.
How does data analysis get started?
It must be a lie to say that getting started is easy. A said that he started by recording data. On the one hand, remembering data is to cope with the questions of leaders, and on the other hand, it is also to cultivate the sensitivity of data. Indeed, the source of analysis is usually that some indicators have changed significantly. Familiar with daily transaction data or user data allows you to see at a glance where the problem is and which data is related, and then analyze it. And I started from Excel, most of the time I was fetching numbers, being a "cousin", and also resisting demand attacks from the business. Later, he did data mining, and I switched from BI to technology from a data platform.
Everything is difficult at the beginning, but once the data analysis has momentum, it is necessary to start to improve one's own knowledge system, which is also the beginning of the real entry. How to improve the knowledge system of data analysis?
1. Basic computer knowledge and statistical knowledge
Database + SQL language
Some commonly used databases such as Oracle, SQL Sever, DB2, MySQL, these databases or the databases that you are in daily contact with need to be familiar with. It is good to understand the most commonly used ones. The most important thing is to be able to write SQL.
Math/Statistics knowledge
The importance of some basic mathematical statistical methods such as descriptive statistics, multivariate statistical analysis, regression analysis, etc. is self-evident.
Data mining knowledge: analysis of variance, regression analysis, factor analysis, cluster analysis, etc. These things need to be more or less familiar as an introduction. Although they may not be used all, once they are used, they will be less hated.
Data Analysis Visual Tools
Data analysis visualization tools are broad. The first recommendation is Excel, which is very dependent on small and medium-sized companies. It is a must-have skill to use pivot tables proficiently. Medium and large companies use reporting tools or BI to make reports, but with the foundation of SQL+Excel, these tools can be used quickly.
2. Business knowledge
数据分析师要与公司的各业务打交道，所以对于各部门的业务知识要有深入的了解。某业务领导需要知道某个指标，你需要知道这个指标由哪些数据构成?数据统计的口径是什么？数据怎么取出来？这个指标对于行业的意义是什么，处于什么范围分别对应什么样的情况，是好还是坏。然后慢慢摸索这个指标层面多维度的规律，如何设定最合理。
明确自己的位置，快速成长
附上网上的一张数据分析师能力体系图，用于参考。
数据分析是一向比较专业的工作，要时刻警惕自己能力是否有提升，目前是什么样的水平，习惯反思自己:
这里引用知乎上@任明远的回答
1、你了解你所整理的数据的来源吗？是自己公司的业务数据，还是与合作伙伴交换的数据？是自己公司相关部门采集的，还是从第三方获取的？获取过程中，具体的指标和逻辑是什么？
2、这些数据是真实的吗？采集和整理过程中会不会出现什么问题？技术上的逻辑和业务上的逻辑是不同的概念，有没有技术上没有瑕疵，但并不符合业务逻辑的数据流程？
3、到你手里的数据经过了什么处理？你又做了什么处理？为什么他们和你要做这些处理？
4、谁需要你的数据？你处理后的数据流向哪里？他们用数据做什么？这些数据最终又拿去做了什么？比如，为客户做了什么服务，公司发布了什么内容，或向管理层证明了什么KPI，或支持了哪个部门的评估？
5、你做整理的周期是什么？为什么是这样的周期？
6、公司有其他的部门在处理其他的数据吗？是什么样的数据？和你有什么关系？为什么这些数据要分开处理？
7、近一年，你自己的电脑上应该已经积累了不少数据，试试做个分析，从一段较长的时间来看，你负责的这一块数据发生了什么变化？为什么会有这个变化？和公司的产品、经营、业务有关，还是和行业有关？具体怎么有关？
如何进一步提升？
业务上
1.业务为核心，数据为王
-
了解整个产业链的结构
-
制定好业务的发展规划
-
了解衡量的核心指标
-
有了数据必须和业务结合才有效果
需要懂业务的整体概况，摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。
2.思考指标现状，发现多维规律
-
熟悉产品框架，全面定义每个指标的运营现状对
-
比同行业指标，挖掘隐藏的提升空间
-
拆解关键指标，合理设置运营方法来观察效果
-
争对核心用户，单独进行产品用研与需求挖掘
业务的分析大多是定性的，需要培养一种客观的感觉意识。定性的分析则需要借助技术、工具、机器。而感觉的培养，由于每个人的思维、感知都不同，只能把控大体的方向，很多数据元素之间的关系还是需要通过数据可视化技术来实现。
3.规律验证，经验总结
发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。
技能上
1.Excel是否精钻？
除了常用的Excel函数（sum、average、if、countifs、sumifs、offset、match、index等）之外，Excel图表（饼图、线图、柱形图、雷达图等）和简单分析技能也是经常用的，可以帮助你快速分析业务走势和异常情况；另外，Excel里面的函数结合透视表以及VBA功能是完善报表开发的利器，让你一键轻松搞定报表。
2.你需要更懂数据库
常用的数据库如MySQL，Sql Server、Oracle、DB2、MongoDB等；除去SQL语句的熟练使用，对于数据库的存储读取过程也要熟练掌握。在对于大数据量处理时，如何想办法加快程序的运行速度、减少网络流量、提高数据库的安全性是非常有必要的。
3.掌握数据整理、可视化和报表制作
数据整理，是将原始数据转换成方便实用的格式，Excel在协同工作上并不是一个好工具，报表FineReport比较推荐。项目部署的Tableau、FineBI、Qlikview一类BI工具，有没有好好培训学习，这些便捷的工具都能淡化数据分析时一些重复性操作，把精力更多留于分析。